Você está construindo um modelo de regressão para prever resultados de pacientes. Em um conjunto de dados de 4.000 pacientes (todos com mais de 65 anos), 450 registros têm a idade registrada como 0, enquanto outras características parecem razoáveis. Como você deve lidar com esses valores de idade incorretos?

A substituição por média ou mediana é a melhor abordagem, pois 450 registros (11,25% do total) é um número significativo. Remover esses registros resultaria na perda de dados valiosos para outras características. A substituição mantém o tamanho do conjunto de dados e introduz um valor plausível, minimizando o impacto nos dados. Remover completamente a característica de idade não é ideal, pois a idade é provavelmente um preditor importante para resultados de pacientes. O agrupamento k-means é mais complexo e geralmente usado para imputar múltiplos valores ausentes ou para segmentação, não sendo a solução mais direta para um erro de entrada de dados como "idade = 0" quando se sabe que todos os pacientes têm mais de 65 anos.